软件代理研究正变得更可执行、可回放，也更贴近生产
今天的研究最强的地方，是软件工作可以通过执行来检查。重点是更严格地评估编码代理，以及为代码和 API 生成更好的测试。ProdCodeBench 和 ToolMisuseBench 都缩小了基准分数与部署条件之间的差距。结果是，我们更清楚地看到代理在哪些地方还能用，在哪些地方仍然会失效。
主题概况
API Testing
Operational Agent Validation
面向生产的软件代理工作，正在三个地方变得更具体：用于编码代理的私有回放基准、用于工具调用失败与恢复的确定性测试，以及生成可运行脚本的、由需求驱动的 API 测试生成。每一项都能落到团队自己的仓库、工具契约或基于 OpenAPI 的服务上做试点。